本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# C SageMaker anvas 中的生成式 AI 基础模型
<a name="canvas-fm-chat"></a>

Amazon SageMaker Canvas 提供了生成式人工智能基础模型，您可以使用这些模型开始对话聊天。这些内容生成模型基于大量文本数据进行训练，以学习单词之间的统计模式和关系，并且它们可以生成在统计学上与训练文本相似的连贯文本。您可以通过以下方式利用这一功能提高工作效率：
+ 生成文档大纲、报告和博客等内容
+ 从大量文本中总结文本，如财报电话会议记录、年度报告或用户手册章节
+ 从大段文本中提取见解和关键要点，例如会议记录或叙述
+ 改进文本，找出语法错误或拼写错误

基础模型是 Amazon SageMaker JumpStart 和 Amazon B [edrock](https://docs.amazonaws.cn/bedrock/latest/userguide/what-is-service.html) 大型语言模型 (LLMs) 的组合。Canvas 提供以下模型：


| 模型 | Type | 说明 | 
| --- | --- | --- | 
| Amazon Titan | Amazon Bedrock 模型 | Amazon Titan 是一种功能强大的通用语言模型，可用于摘要、文本生成（例如创建博客文章）、分类、开放式问答和信息提取等任务。该模型在大型数据集上进行了预训练，因此适用于复杂的任务和推理。为继续支持负责任地使用 AI 的最佳实践，Amazon Titan 基础模型旨在检测和删除数据中的有害内容，拒绝用户输入中的不当内容，并筛选包含不当内容（如仇恨言论、亵渎和暴力）的模型输出。 | 
| Anthropic Claude Instant | Amazon Bedrock 模型 | Anthropic 的 Claude Instant 是一种速度更快、成本效益更高、但功能仍然非常强大的模型。该模型可处理一系列任务，包括随意对话、文本分析、摘要和文档问题回答。就像 Claude-2 一样，Claude Instant 在每个提示中最多可以支持 10 万个令牌，相当于大约 200 页的信息。 | 
| Anthropic Claude-2 | Amazon Bedrock 模型 | Claude-2 是 Anthropic 最强大的模型，擅长完成从复杂的对话和创意内容生成到详细的指令跟踪等各种任务。Claude-2 可以在每个提示中接收多达 10 万个令牌，相当于大约 200 页的信息。与之前的版本相比，该模型可以生成更长的响应。该模型支持的使用案例包括问题回答、信息提取、PII 删除、内容生成、多选分类、角色扮演、文本比较、摘要和带引文的文档问答。 | 
| Falcon-7B-Instruct | JumpStart 模型 | Falcon-7B-Instruct 有 70 亿个参数，并在聊天和指示数据集的混合基础上进行了微调。该模型适合作为虚拟助手，在遵循指令或进行对话时表现最佳。由于该模型是在大量英语 Web 数据的基础上训练出来的，因此带有网上常见的刻板印象和偏见，不适合英语以外的语言。与 Falcon-40B-Instruct 相比，Falcon-7B-Instruct 是一种稍小、更紧凑的模型。 | 
| Falcon-40B-Instruct | JumpStart 模型 | Falcon-40B-Instruct 有 400 亿个参数，并在聊天和指示数据集的混合基础上进行了微调。该模型适合作为虚拟助手，在遵循指令或进行对话时表现最佳。由于该模型是在大量英语 Web 数据的基础上训练出来的，因此带有网上常见的刻板印象和偏见，不适合英语以外的语言。与 Falcon-7B-Instruct 相比，Falcon-40B-Instruct 模型稍微大一些，功能也更强大。 | 
| Jurassic-2 Mid | Amazon Bedrock 模型 | Jurassic-2 Mid 是一种在海量文本语料库（目前截至 2022 年年中）上训练的高性能文本生成模型。该模型用途广泛、通用性强，能够撰写类似人类的文本并解决复杂的任务，例如问题回答、文本分类等。该模型提供了零样本指令功能，允许仅使用自然语言进行指导，而不使用示例。该模型的运行速度比其前身 Jurassic-1 模型快 30%。<br />Jurassic-2 Mid AI21 是中型机型，经过精心设计，在卓越的质量和可负担性之间取得适当的平衡。 | 
| Jurassic-2 Ultra | Amazon Bedrock 模型 | Jurassic-2 Ultra 是一种在海量文本语料库（目前截至 2022 年年中）上训练的高性能文本生成模型。该模型用途广泛、通用性强，能够撰写类似人类的文本并解决复杂的任务，例如问题回答、文本分类等。该模型提供了零样本指令功能，允许仅使用自然语言进行指导，而不使用示例。该模型的运行速度比其前身 Jurassic-1 模型快 30%。<br />与 Jurassic-2 Mid 相比，Jurassic-2 Ultra 模型要稍大一些，功能也更强大。 | 
| Llama-2-7b-Chat | JumpStart 模型 | Llama-2-7b-Chat 是 Meta 的基础模型，适用于进行有意义和连贯的对话、生成新内容以及从现有笔记中提取答案。由于此模型是在大量英语网络数据的基础上训练出来的，因此带有网上常见的偏差和局限性，最适合英语任务。 | 
| Llama-2-13B-Chat | Amazon Bedrock 模型 | Llama-2-13B-Chat by Meta 在互联网数据上进行初步训练后，又根据对话数据进行了微调。它针对自然对话和引人入胜的聊天功能进行了优化，非常适合作为对话座席。与较小的 Llama-2-7b-Chat 相比，Llama-2-13B-Chat 的参数数量几乎是后者的两倍，因此它能记住更多的上下文，并做出更细致的对话回应。与 Llama-2-7b-Chat 一样，Llama-2-13B-Chat 也是在英语数据基础上进行训练的，最适合用于英语任务。 | 
| Llama-2-70B-Chat | Amazon Bedrock 模型 | 与 Llama-2-7b-Chat 和 Llama-2-13B-Chat 一样，Meta 的 Llama-2-70B-Chat 模型也经过优化，可进行自然而有意义的对话。这种大型对话模型拥有 700 亿个参数，能记住更广泛的上下文，与更紧凑的模型版本相比，能做出高度一致的响应。但是，这样做的代价是响应速度较慢，资源需求较高。Llama-2-70B-Chat 是在大量英语互联网数据的基础上训练出来的，最适合英语任务。 | 
| Mistral-7B | JumpStart 模型 | Mistral.AI 的 Mistral-7B 是一款出色的通用语言模型，适用于文本生成、摘要和问题解答等各种自然语言 (NLP) 任务。它采用分组查询关注 (GQA)，推理速度更快，使其性能可与参数数量两倍或三倍的模型相媲美。它是在包括英语书籍、网站和科学论文在内的混合文本数据上进行训练的，因此最适合用于英语任务。 | 
| Mistral-7B-Chat | JumpStart 模型 | Mistral-7B-Chat 是 Mistral.AI 基于 Mistral-7B 开发的对话模型。Mistral-7B 最适合用于一般的 NLP 任务，而 Mistral-7B-Chat 则根据对话数据进行了进一步微调，以优化其自然、引人入胜的聊天能力。因此，Mistral-7B-Chat 会生成更多类似人类的会生成，并能记住之前响应的上下文。与 Mistral-7B 一样，此模型最适合英语任务。 | 
| MPT-7B-Instruct | JumpStart 模型 | MPT-7B-Instruct 是一种长格式指令跟踪任务的模型，可帮助您完成包括文本摘要和问题解答在内的写作任务，从而节省您的时间和精力。该模型是在大量经过微调的数据上训练的，可以处理较大的输入内容，例如复杂的文档。当您希望处理大量文本或希望模型生成较长的响应时，请使用该模型。 | 

Amazon Bedrock 的根基模型目前仅在美国东部（弗吉尼亚州北部）和美国西部（俄勒冈州）区域提供。此外，在使用 Amazon Bedrock 的根基模型时，根据每个模型提供商指定的输入令牌和输出令牌的数量向您收费。有关更多信息，请参阅 [Amazon Bedrock 定价](https://www.amazonaws.cn/bedrock/pricing/)页面。 JumpStart 基础模型部署在 SageMaker AI Hosting 实例上，使用时长将根据所使用的实例类型向您收费。有关不同实例类型费用的更多信息，请参阅[SageMaker 定价页面](https://www.amazonaws.cn/sagemaker/pricing/)上的 Amazon SageMaker AI 托管：实时推理部分。

文档查询是一项附加功能，您可以使用 Amazon Kendra 对存储在索引中的文档进行查询并从中获得见解。借助此功能，您可以根据这些文档的上下文生成内容，并接收特定于您的业务使用案例的响应，而不是对训练根基模型所依据的大量数据的通用响应。有关 Amazon Kendra 中索引的更多信息，请参阅 [Amazon Kendra 开发人员指南](https://docs.amazonaws.cn/kendra/latest/dg/what-is-kendra.html)。

如果您希望从任何基础模型中获得根据您的数据和使用场景自定义的响应，您可以对基础模型进行微调。要了解更多信息，请参阅[微调基础模型](canvas-fm-chat-fine-tune.md)。

如果您想通过应用程序或网站从 Amazon SageMaker JumpStart 基础模型中获得预测，可以将该模型部署到 A SageMaker I *终端节点*。 SageMaker AI 终端节点托管您的模型，您可以通过应用程序代码向终端节点发送请求，以接收模型的预测。有关更多信息，请参阅 [将模型部署到端点](canvas-deploy-model.md)。